Como epígrafe, também conhecido como isenção de responsabilidade, gostaria de dizer que estamos planejando uma série de materiais sobre ML a serviço de um varejista moderno. Planejamos contar "do fogão" aos pequenos detalhes (incluindo parafusos e parafusos) sobre como o aprendizado de máquina salva nosso negócio da rotina e das margens baixas. Esperamos que o tema seja do interesse do público da Habr e não cause uma reação alérgica aguda entre os leitores. Se você tem alguma experiência pessoal no assunto mencionado, não hesite em compartilhá-la nos comentários.
80% das empresas estão adotando tecnologias de aprendizado de máquina - este número foi citado por um dos líderes da Microsoft Jean-Philippe Courtois na conferência AI Jorney em dezembro, falando sobre o impacto da pandemia na economia global. Segundo Courtois, 56% das empresas planejam aumentar o investimento em aprendizado de máquina.
No varejo, IA e ML já são usados para muitas operações - desde o planejamento de suprimentos e melhoria da eficiência de marketing até o cálculo de horários de trabalho para funcionários de varejo. A M.Video-Eldorado foi além para oferecer aos seus clientes um sortimento, preços e promoções com base em análises avançadas. Como funciona, contaremos em uma série de materiais sobre várias soluções de ML na área de comércio.
Alguns pensamentos óbvios
Para começar, vamos lembrar quais tarefas o Machine Learning pode resolver e por que ele é bom para o varejo. Se você vende leite de sua vaca, sabe perfeitamente bem, sem computadores, qual de seus vizinhos precisa dele, quanto eles comprarão e qual preço eles consideram atraente, e mesmo aqui simples habilidades contábeis não farão mal.
É uma questão diferente - grandes redes de varejo com dezenas ou mesmo centenas de milhares de itens de commodities e milhões de compradores. Qual destes irá "ir para o povo" com facilidade e rapidez, e quais permanecerão na prateleira por anos? O que você ainda deve pedir dos fornecedores e do que deve desistir?
Quais produtos você pode oferecer descontos de férias, o que oferecer em publicidade contextual? É impossível defini-lo “manualmente” e com precisão. E então o ML vem em socorro, processamento por máquina de grandes quantidades de dados, que podem ser "dispostos" por categorias de produtos, características, geografia de pontos individuais, velocidade de vendas de mercadorias, etc.
Os algoritmos de ML, é claro, não são um dogma, mas um guia de ação para especialistas que chegam à conclusão sobre compras, preços e promoções. Para simplificar, a "máquina" oferece um garfo com base na demanda, nos preços dos concorrentes e em outros parâmetros dados.
Por exemplo, para um mesmo sistema de áudio, pode haver vários lances de 2.000 a 4.000 rublos em Moscou e de 1.500 a 3.400 em um centro regional com uma renda per capita mais baixa. Se você tem uma meta de vender mais rápido, você define um limite inferior.
Se você quiser ganhar mais, faça exatamente o oposto. E depois de um certo tempo, as ferramentas de ML dirão se você fez a coisa certa e se precisa ajustar suas ações. Digamos não perseguir o lucro máximo, mas apostar na taxa de giro dos fundos.
O vírus leva ao digital
Os recursos de aprendizado de máquina agora são usados por muitos, de mercados e redes federais a marcas locais. A migração para o ML tornou-se especialmente notável durante a pandemia, quando os negócios começaram a se mover massivamente "online e digital", o que significa que muito mais dados apareceram para processamento "por máquina". O varejo tornou-se mais eficaz na análise do comportamento de seus clientes, suas opiniões, pesquisas, participação em promoções, compras, reações às comunicações.
Cerca de 74 milhões de usuários visitam os sites M.Video e Eldorado todos os meses. Seu perfil e histórico de interação com a empresa formam a base de modelos preditivos e de serviços de recomendação que o varejista desenvolve, inclusive na área de comércio.
No entanto, o online não é mais a única fonte de informações do consumidor. A M.Video-Eldorado em 2020 mudou totalmente para a plataforma OneRetail, que, graças às tecnologias móveis no varejo, permite digitalizar a experiência offline dos clientes e analisar esses dados. E essa é uma gama enorme - 85% dos compradores de equipamentos de uma forma ou de outra interagem com as lojas físicas.
O vendedor através do aplicativo em seu smartphone autoriza o cliente, tem acesso ao seu perfil, entende suas preferências, vê o histórico de compras, bônus e descontos, ofertas pessoais. Por meio dessa decisão, ocorre a seleção e compra da mercadoria na loja, que também é agregada à análise e afeta os contatos futuros.
Os sistemas preditivos e de recomendação também analisam indicadores de vendas, nível, dinâmica de demanda, elasticidade de preço, engajamento do cliente e o impacto das promoções nas vendas e na eficiência do negócio.
A introdução de soluções de ciência de dados no comércio permitirá à M.Video-Eldorado, em primeiro lugar, entender melhor as necessidades dos clientes e aumentar a precisão do planejamento de sortimento e, em segundo lugar, calcular o preço ideal com base no desejo de fazer as melhores ofertas no mercado, aumentando a eficiência empresarial.
Como configurar uma variedade
Por exemplo, o aprendizado de máquina ajuda a prever a demanda não apenas com base nas vendas já realizadas, mas também na demanda do cliente. Se você imaginar que 12 bules podem ser colocados na prateleira de uma loja, quais modelos eles devem ser se você tiver 50 em seu sortimento?
Como fazer o estoque de um pequeno armazém regional para que o máximo de clientes receba prazos de entrega rápidos de seus pedidos? Finalmente, como você encontra o equilíbrio perfeito entre o crescimento das vendas, a participação no mercado e o desempenho dos negócios?
Se antes essas perguntas foram respondidas habilmente pelos gerentes comerciais da M.Video-Eldorado, agora nossa equipe de ciência de dados está desenvolvendo serviços de recomendação baseados em ML para ajudá-los.
Portanto, com base nas sessões do usuário, é formada uma árvore de decisão, onde todos os produtos são agrupados com base na frequência com que são visualizados juntos. Isso permite que você crie uma variedade equilibrada e não duplique produtos nas prateleiras que atendam a uma necessidade. Nossa primeira história nesta série é dedicada apenas a este CDT.
Determine o preço certo
A M.Video-Eldorado também testa algoritmos de Machine Learning para criar cenários de cálculo automático do preço recomendado e avaliação da eficácia das promoções. O objetivo é dar aos gerentes comerciais uma ferramenta para a gestão diária de preços com base em dados internos (volume de vendas, nível de margem, estoque, calendário promocional) e externos (preços de mercado, atividade do concorrente, etc.).
O modelo calcula vários cenários dependendo dos indicadores de destino e recomenda o ideal. “Agora, como parte dos pilotos, comparamos o grau de interesse do consumidor por um determinado produto em diferentes regiões e o nível de sua sensibilidade às flutuações de preço”, diz Vladimir Litvinyuk, Chefe do Centro de Competência para Análise Aplicada de Dados e Aprendizado de Máquina, Grupo M.Video-Eldorado .
Não é segredo que ao escolher um smartphone carro-chefe ou uma geladeira side-by-side, o comprador está procurando onde é mais lucrativo, e ao comprar uma chaleira para uma casa de veraneio ou substituir uma TV na cozinha, ele vai preferir loja comprovada em casa ou condições favoráveis do programa de fidelidade.
Além disso, a equipe de data office está testando algoritmos para avaliar a eficácia das campanhas promocionais. Construímos um modelo de previsão de vendas levando em consideração um conjunto de estoques e seus parâmetros. Com base nesse modelo, vários cenários de vendas de um produto específico e de uma categoria como um todo são simulados para várias opções de combinação de promoções, o impacto de vários conjuntos de promoções no crescimento das vendas e o nível de canibalização de produtos promocionais por outros produtos vendidos a um preço normal é estimado.
No futuro, também esperamos aprender como selecionar o desconto de preço ideal e outras condições para a promoção para cada produto específico, a fim de maximizar o volume de negócios alvo ou lucro da promoção.
Agora, o desenvolvimento do Aprendizado de Máquina na Rússia é dificultado por dois fatores: problemas com a disponibilidade de dados para processamento e distribuição insuficiente de modelos de ML, que foi discutido na conferência já mencionada AI Jorney.
Sim, os gigantes do nível dos mercados de tecnologia, que controlam até um quarto do mercado nacional, têm o pecado de reclamar da falta de informações digitalizadas. Por outro lado, as empresas de menor porte nem sempre têm uma ideia clara de quais dados, em que volume e de qual qualidade são necessários para o sucesso da aplicação de algoritmos de aprendizado de máquina na prática.
É necessário levar em consideração as descrições de bens divididos em grupos e clusters, estatísticas de vendas, de preferência em um longo período, todas as variáveis possíveis: demanda sazonal, calendário de férias, flutuações cambiais, o surgimento de novos concorrentes.
No varejo de eletroeletrônicos, por exemplo, a dificuldade com os dados está, em primeiro lugar, na baixa frequência de compras - ninguém compra TV, geladeira e fone de ouvido duas vezes por semana, como no caso de pão e carne. Em segundo lugar, o sortimento é muito diversificado e fracamente conectado, o que torna difícil encontrar padrões. No entanto, os modelos digitais devem reagir à situação em tempo real: se não tiveram tempo para reagir, perderam os clientes.
A questão é quais plataformas escolher para preços dinâmicos ... Alguém escolhe open source, alguém soluções de caixa proprietárias de fornecedores, alguém cloud frameworks de ML ... O número de ferramentas de software é medido em dezenas, há opções que são gratuitas para empreendedores . Então, por que os participantes da conferência de TI falam sobre a falta de proliferação de modelos de aprendizado de máquina?
A questão é novamente compreender suas próprias necessidades e avaliar suas capacidades. E aqui a troca de experiências e melhores práticas é mais importante do que nunca. Por exemplo, quando os modelos de ML e preços dinâmicos foram introduzidos na loja online russa BABADU, as receitas e as margens de lucro aumentaram 7% em apenas algumas semanas. O consumidor responde a preços "justos" trazendo dinheiro para os embaixadores do Machine Learning.